一種改進型的神經網絡高光譜遙感影像分類方法
2023-05-05 07:14:26 1
專利名稱：一種改進型的神經網絡高光譜遙感影像分類方法
技術領域：
本發明屬於高光譜數據處理方法與應用技術領域，涉及一種改進型的神經網絡高光譜遙感影像分類方法，適用於高光譜數據監督分類的理論方法和應用技術研究。
背景技術：
高光譜成像技術是近二十年來發展起來的基於多窄波段的影像技術，其中最突出的應用是遙感探測領域。高光譜遙感圖像波段數目多達上百個，光譜解析度高達幾個納米，具有較高的光譜解析度，為研究員提供了豐富的地物信息。根據高光譜遙感數據進行地物分類，在資源調查、氣候和環境評估、自然災害監測和生態農業等方面具有重要意義。由於高光譜數據具有數據量大、維數高、含混度高等特點，使用傳統的分類算法對其進行分類時不僅耗時而且性能也不夠理想。為此提出的技術改進主要包括兩個方面，一是特徵提取，從高維遙感數據中提取出重要的信息，去掉冗餘信息，目前最常用的有獨立主成分分析、主成分分析(PCA)和分等級的主成分分析，而採用主成分分析法。二是尋找或改進更有效的分類算法，目前常用的分類算法包括最小距離法、bayes分類、支持向量機等。在分類算法方面，考慮到一般傳統的分類算法都假設獲得的數據服從高斯分布，而高光譜數據不完全服從高斯分布。因此採用多層反饋BP神經網絡分類器，它不需要對數據的分布做任何假設，能更好地進行分類決策。但BP神經網絡存在一個很嚴重的缺陷，網絡在調節權值和閾值時，極易陷入局部極小值，無法尋得最優解，這將導致分類精確度和性能的下降。為此還引入遺傳算法(GA)對網絡的權值和閾值進行調節，以獲得更優的解，使分類精度達到預測的效果。
發明內容
本發明的目的在於針對傳統的高光譜分類方法的不足，為高光譜遙感影像分類的研究提供一種改進型的神經網絡高光譜遙感影像分類方法。本發明方法包括以下步驟
I)高光譜數據的預處理；
將光譜影像各個波段以灰度圖實現顯示，對各個波段的光譜影像進行目視檢查，確定由於大氣吸收、折射和散射因素的作用對光譜數據產生較大影響的異常波段和由於其他因素對光譜數據產生較大噪聲的異常波段，對異常波段做直接剔除處理。2) PAC主成分分析；
PCA主成分分析，其步驟如下
第一步，設原始空間數據B的維數是HXd1X毛，其中 是數據所包含的波段維數，Z1d2是高光譜數據的空間維數；在進行PCA變換之前，事先將原始空間數據B轉化為形式為nxm的觀測樣本數據集X = [ A,其中m = Cl1 X々是一維像元總個數。
第二步，計算觀測樣本數據集X各波段的均值和協方差矩陣
權利要求
1. 一種改進型的神經網絡高光譜遙感影像分類方法，其特徵在於該方法包括以下步驟 1)高光譜數據的預處理； 將光譜影像各個波段以灰度圖實現顯示，對各個波段的光譜影像進行目視檢查，確定由於大氣吸收、折射和散射因素的作用對光譜數據產生較大影響的異常波段和由於其他因素對光譜數據產生較大噪聲的異常波段，對異常波段做直接剔除處理； 2)PAC主成分分析； PCA主成分分析，其步驟如下 第一步，設原始空間數據B的維數是η Xd1Xd2，其中M是數據所包含的波段維數，、d2是高光譜數據的空間維數；在進行PCA變換之前，事先將原始空間數據B轉化為形式為n'Am的觀測樣本數據集X =( . ,A],其中m = Cl1 X之是一維像元總個數； 第二步，計算觀測樣本數據集X各波段的均值和協方差矩陣
全文摘要
本發明公開了一種改進型的神經網絡的高光譜遙感影像分類方法。傳統的模式識別方法無法滿足對數據維數高、數據量大的高光譜數據進行高效率高精度的分類。本發明首先針對高光譜數據以數據量大、波段間相關性強、冗餘信息多等特點，對高維遙感數據進行主成分分析，在提取有效光譜數據的同時，大大降低了數據的維數。然後使用多層前饋神經網絡對數據進行分類，在此引入遺傳算法是為了優化網絡的權值和閾值，以便更好的防止網絡搜索陷入局部極小問題，不但提高了神經網絡的預測精度，同時也大大節省了分類時間。本發明增強了分類器收斂速度，提高了高光譜圖像的分類性能。
文檔編號G06N3/12GK102915445SQ201210343889
公開日2013年2月6日 申請日期2012年9月17日 優先權日2012年9月17日
發明者郭寶峰, 陳華傑, 穀雨, 毛文斌, 彭冬亮, 劉俊, 郭雲飛, 左燕 申請人:杭州電子科技大學